Day-by-Day行为数据挖掘算法的研究和实现

Day-by-Day论文 行为挖掘论文 特异群组论文
论文详情
随着信息化技术的迅猛发展,人们的行为越来越多地被记录在相关计算机系统中。例如,证券交易系统,信用卡消费系统和医疗保障系统等等。由于人们日复一日(Day-by-Day)的生活节奏,很多计算机系统的数据记录也是日复一日的进行,因此这种每人每天的行为数据我们就称之为Day-by-Day行为数据集。通过挖掘Day-by-Day行为数据集,能够揭示人们的各种行为方式、现象和规律。本文研究Day-by-Day行为数据集上的数据挖掘问题,重点解决数据对象的相似性计算问题,数据集上的特异群组挖掘以及聚类问题。基于动态规划的策略,本文提出一种发现有日期间隔的共同行为模式的方法,并设计了一个分段指数函数来处理相似性度量问题。在解决相似性问题的基础上,本文提出了基于图的方法来挖掘Day-by-Day行为数据集上的特异群组,并设计了一个相应的图的稀疏化算法,用以加速特异群组挖掘过程。通过实验和现有的Day-by-Day相似性算法、特异群组挖掘算法进行比较,验证了提出的G-PGM算法的效果,解决了之前没有处理的有日期间隔的共同行为模式的发现问题,降低了Day-by-Day数据集上特异群组挖掘的时间复杂度,证实了算法的适用性。最后,本文对Day-by-Day行为数据集上的聚类问题进行研究,给出了Day-by-Day行为数据集上簇的定义,并提出了相应的聚类算法和剪枝策略。
目录第4-6页
摘要第6-7页
ABSTRACT第7页
第一章 绪论第8-13页
    1.1 选题背景及意义第8-9页
    1.2 研究现状与挑战第9-11页
    1.3 本文的主要工作和组织结构第11-13页
第二章 相关工作和研究第13-24页
    2.1 序列模式和共同行为模式第13-15页
        2.1.1 序列模式挖掘第13-14页
        2.1.2 共同行为模式第14-15页
    2.2 异常检测及不平衡数据分类问题第15-18页
        2.2.1 异常检测第15-17页
        2.2.2 不平衡数据分类问题第17-18页
    2.3 基于图的聚类算法第18-24页
        2.3.1 图聚类方法第18-22页
        2.3.2 图的稀疏化第22-24页
第三章 Day-by-Day数据集相似性度量第24-31页
    3.1 相似性定义第24-25页
    3.2 基于动态规划策略的相似性度量第25-28页
    3.3 相似性补偿函数的选择第28-31页
第四章 Day-by-Day数据集上特异群组的挖掘第31-39页
    4.1 特异群组的挖掘第31-32页
    4.2 特异群组挖掘算法第32-35页
    4.3 图的稀疏化第35-36页
    4.4 实验结果及分析第36-39页
        4.4.1 实验环境及数据集第37页
        4.4.2 PGM,CBM和G-PGM算法对比第37-38页
        4.4.3 稀疏化算法的实验对比第38-39页
第五章 Day-Day数据集上的聚类分析第39-45页
    5.1 Day-by-Day数据集上的聚类问题定义第39-42页
    5.2 Day-by-Day数据集上的聚类算法第42-45页
        5.2.1 Day-by-Day数据集聚类的基本算法第42-43页
        5.2.2 剪枝策略第43-45页
第六章 总结与展望第45-47页
参考文献第47-51页
致谢第51-52页
发表学术论文第52-53页
论文购买
论文编号ABS3986258,这篇论文共53页
会员购买按0.30元/页下载,共需支付15.9
不是会员,注册会员
会员更优惠充值送钱
直接购买按0.5元/页下载,共需要支付26.5
只需这篇论文,无需注册!
直接网上支付,方便快捷!
相关论文

点击收藏 | 在线购卡 | 站内搜索 | 网站地图
版权所有 艾博士论文 Copyright(C) All Rights Reserved
版权申明:本文摘要目录由会员***投稿,艾博士论文编辑,如作者需要删除论文目录请通过QQ告知我们,承诺24小时内删除。
联系方式: QQ:277865656